关于交易中机器学习的文章
创建基于AI的交易机器人：与Python的原生集成，矩阵和向量，数学和统计库等。
了解如何在交易中使用机器学习。神经元、感知器、卷积和循环网络、预测模型 — 从基础开始，逐步开发您自己的AI。您将学习如何为金融市场的算法交易训练和应用神经网络。
密码锁算法（CLA）
在本文中，我们将重新考虑密码锁，将它们从安全机制转变为解决复杂优化问题的工具。让我们探索密码锁的世界，不再将其视为简单的安全装置，而是作为优化问题新方法的灵感来源。我们将创建一整群“锁”，其中每把锁都代表问题的一个独特解决方案。然后，我们将开发一种算法来“破解”这些锁，并从机器学习到交易系统开发等多个领域中找到最优解。
重构经典策略：原油
在本文中，我们重新审视一种经典的原油交易策略，旨在通过利用监督机器学习算法来对其进行优化。我们将构建一个最小二乘模型，该模型基于布伦特原油（Brent）和西德克萨斯中质原油（WTI）之间的价差来预测未来布伦特原油价格。我们的目标是找到一个能够预测布伦特原油未来价格变化的领先指标。
神经网络变得简单（第 79 部分）：在状态上下文中的特征聚合查询（FAQ）
在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。
矩阵分解：更实用的建模
您可能没有注意到，矩阵建模有点奇怪，因为只指定了列，而不是行和列。在阅读执行矩阵分解的代码时，这看起来非常奇怪。如果您希望看到列出的行和列，那么在尝试分解时可能会感到困惑。此外，这种矩阵建模方法并不是最好的。这是因为当我们以这种方式对矩阵建模时，会遇到一些限制，迫使我们使用其他方法或函数，而如果以更合适的方式建模，这些方法或函数是不必要的。
彗星尾算法（CTA）
在这篇文章中，我们将探讨彗星尾优化算法（CTA），该算法从独特的太空物体——彗星及其接近太阳时形成的壮观尾部中汲取灵感。该算法基于彗星及其尾部运动的概念设计而成，旨在寻找优化问题中的最优解。
神经网络变得简单（第 77 部分）：交叉协方差变换器（XCiT）
在我们的模型中，我们经常使用各种关注度算法。而且，可能我们最常使用变换器。它们的主要缺点是资源需求。在本文中，我们将研究一种新算法，它可以帮助降低计算成本，而不会降低品质。
Python中的虚假回归（伪回归）
虚假回归通常发生在两个时间序列之间仅因偶然因素而展现出高度相关性时，这会导致回归分析产生误导性的结果。在这种情况下，尽管变量之间可能看似存在关联，但这种关联仅仅是巧合，模型可能并不可靠。
基于预测的统计套利
我们将探讨统计套利，使用Python搜索具有相关性和协整性的交易品种，为皮尔逊（Pearson）系数制作一个指标，并编制一个用于交易统计套利的EA，该系统将使用Python和ONNX模型进行预测。
MQL5 简介（第 6 部分）：MQL5 中的数组函数新手指南 (二)
开始我们 MQL5 旅程的下一阶段。在这篇深入浅出、适合初学者的文章中，我们将探讨其余的数组函数，揭开复杂概念的神秘面纱，让您能够制定高效的交易策略。我们将讨论 ArrayPrint、ArrayInsert、ArraySize、ArrayRange、ArrarRemove、ArraySwap、ArrayReverse 和 ArraySort。利用这些基本的数组函数，提升您的算法交易专业知识。加入我们的精通 MQL5 之路吧！
神经网络变得简单（第 76 部分）：配合多未来变换器探索不同的交互形态
本文继续探讨预测即将到来的价格走势的主题。我邀请您领略多未来变换器架构。其主要思路是把未来的多模态分布分解为若干个单模态分布，这样就可以有效地模拟场景中个体之间互动的各种模态。
龟壳演化算法（TSEA）
这是一种受乌龟壳演化启发的独特优化算法。TSEA算法模拟了角质化皮肤区域的逐渐形成，这些区域代表了一个问题的最优解。最优解会变得更加“坚硬”，并位于更靠近外层表面的位置，而不太理想的解则保持“较软”的状态，并位于内部。该算法通过根据质量和距离对解进行聚类，从而保留了不太理想的选项，并提供了灵活性和适应性。
神经网络变得简单（第 75 部分）：提升轨迹预测模型的性能
我们创建的模型变得越来越大，越来越复杂。这不光提高了它们的训练成本，还有操作成本。不过，做出决定所需的时间往往很关键。有关于此，我们来研究在不损失品质的情况下优化模型性能的方法。
数据处理的分组方法：在MQL5中实现组合算法
在本文中，我们将继续探索数据处理家族分组算法，在MQL5中实现组合算法（Combinatorial Algorithm）及其优化版本——组合选择算法（Combinatorial Selective Algorithm）。
利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期
在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。
种群优化算法：鲸鱼优化算法（WOA）
鲸鱼优化算法（WOA）是一种受座头鲸行为和捕食策略启发的元启发式算法。该算法的核心思想在于模仿所谓的“气泡网”捕食方法，即鲸鱼在猎物周围制造气泡，然后以螺旋运动的方式攻击猎物。
种群优化算法：社群进化（ESG）
我们将研究构造多种群算法的原理。作为该算法类别的一个示例，我们将查看新的自定义算法 — 社群进化（ESG）。我们将分析该算法的基本概念、种群互动机制和优势，并检查其在优化问题中的表现。
克服集成ONNX（Open Neural Network Exchange ）的挑战
ONNX是集成不同平台间复杂AI代码的强大工具，尽管它非常出色，但要想充分发挥其作用，就必须解决一些伴随而来的挑战。在本文中，我们将讨论您可能会遇到的一些常见问题，以及如何处理这些问题。
矩阵分解基础知识
由于这里的目标是教学，我们将尽可能简单地进行。也就是说，我们将只实现所需的功能：矩阵乘法。今天您将看到，这足以模拟矩阵标量乘法。许多人在使用矩阵分解实现代码时遇到的最大困难是：与标量分解不同，在标量分解中，几乎所有情况下因子的顺序都不会改变结果，但使用矩阵时情况并非如此。
头脑风暴优化算法（第一部分）：聚类
在本文中，我们将探讨一种受自然现象“头脑风暴”启发的新型优化方法——头脑风暴优化（Brain Storm Optimization，简称BSO）。我们还将讨论BSO方法所应用的一种解决多模态优化问题的新方法。该方法能够在无需预先确定子种群数量的情况下，找到多个最优解。此外，我们还会考虑K-Means和K-Means++聚类方法。
您应当知道的 MQL5 向导技术（第 11 部分）：数字墙
数字墙（Number Walls）是线性回移寄存器的一种变体，其通过检查收敛性来预筛选序列来达到可预测性。我们看看这些思路如何运用在 MQL5。
种群优化算法：鸟群算法（BSA）
本文探讨了受自然界鸟类集群行为启发而产生的基于鸟群的算法（BSA）。BSA中的个体采用不同的搜索策略，包括在飞行、警戒和觅食行为之间的切换，使得该算法具有多面性。它利用鸟类集群、交流、适应性、领导与跟随等规则来高效地找到最优解。
神经网络实践：割线
正如理论部分已经解释的那样，在使用神经网络时，我们需要使用线性回归和导数。为什么呢？原因是线性回归是现存最简单的公式之一。从本质上讲，线性回归只是一种仿射函数。然而，当我们谈论神经网络时，我们对直接线性回归的影响并不感兴趣。我们感兴趣的是生成这条直线的方程。我们对创建出的线并不感兴趣。你知道我们需要理解的主要方程吗？如果没有，我建议您阅读这篇文章来了解它。
使用 LSTM 神经网络创建时间序列预测：规范化价格和令牌化时间
本文概述了一种使用每日范围对市场数据进行归一化并训练神经网络以增强市场预测的简单策略。开发的模型可以与现有的技术分析框架结合使用，也可以单独使用，以帮助预测整体市场方向。任何技术分析师都可以进一步完善本文中概述的框架，以开发适用于手动和自动交易策略的模型。
分歧问题：深入探讨人工智能的复杂性可解释性
在这篇文章中，我们将探讨理解人工智能如何工作的挑战。人工智能模型经常会以难以解释的方式做出决策，这就是所谓的 "分歧问题"。这个问题是提高人工智能透明度和可信度的关键。
数据科学和机器学习（第 19 部分）：利用 AdaBoost 为您的 AI 模型增压
AdaBoost，一个强力的提升算法，设计用于提升 AI 模型的性能。AdaBoost 是 Adaptive Boosting 的缩写，是一种复杂的融合学习技术，可无缝集成较弱的学习器，增强它们的集体预测强度。
使用Python和MQL5开发机器人（第一部分）：数据预处理
基于机器学习的交易机器人开发：详细指南本系列文章的第一篇将重点讨论数据的收集与准备以及特征的选择。该项目采用Python编程语言及其相关库，并结合MetaTrader 5平台来实现。
使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX，以及 GRU 与 LSTM 模型的比较
我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程，最终创建一个用于交易的专家顾问 (EA)，然后将 GRU 模型与 LSTM 模型进行比较。
因果推理中的倾向性评分
本文探讨因果推理中的匹配问题。匹配用于比较数据集中的类似观察结果，这对于正确确定因果关系和消除偏见是必要的。作者解释了这如何有助于构建基于机器学习的交易系统，这些系统在没有经过训练的新数据上变得更加稳定。倾向性评分在因果推理中起着核心作用并被广泛应用。
